La enfermedad común de la caries en el trigo es una seria amenaza para los cultivos y la seguridad alimentaria. Las evaluaciones rápidas de su gravedad son esenciales para una gestión efectiva. El sistema de nariz electrónica (e-nose) se utiliza para capturar compuestos orgánicos volátiles (VOC), particularmente la trimetilamina (TMA), que sirve como un marcador clave de la enfermedad común de la caries en el trigo. En este artículo, se propone el modelo GFNN (red neuronal de características de gas) para detectar VOC del sistema de e-nose, proporcionando un enfoque ligero y eficiente para evaluar la gravedad de la enfermedad. Se emplea la convolución multiscale para extraer características globales y locales de los datos de gas, y se utilizan tres mecanismos de atención para centrarse en características importantes. GFNN logra una precisión del 98,76%, una precisión del 98,79%, una recuperación del 98,77% y una puntuación F1 del 98,75%, con solo 0,04 millones de parámetros y 0,42 millones de operaciones de punto flotante por segundo (FLOPS). En comparación con los modelos de aprendizaje profundo tradicionales y actuales, GFNN demuestra un rendimiento superior, especialmente en escenarios de tamaño de muestra pequeños. Mejora significativamente el rendimiento del aprendizaje profundo del modelo en la extracción de características clave del gas. Este estudio ofrece un método práctico, rápido y rentable para monitorear y gestionar la enfermedad común de la caries en el trigo, mejorando la protección de los cultivos y la seguridad alimentaria.